[發明專利]一種基于極限學習機分類的方法、裝置及系統

在審

• 申請號: 201810414249.5
• 申請日: 2018-05-03
• 公開（公告）號: CN108932522A
• 公開（公告）日: 2018-12-04
• 發明（設計）人: 馬超;韓麗屏;于成龍;趙文勇
• 申請（專利權）人: 深圳信息職業技術學院
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/00
• 代理公司: 深圳中一專利商標事務所 44237
• 代理人: 官建紅

本發明適用人工智能與模式識別技術領域，提供了一種基于核極限學習機分類的方法、裝置及系統，其中，該核極限學習機分類的方法包括獲取包含樣本屬性特征的訓練集，基于所述訓練集，利用花朵授粉算法優化核極限學習機的懲罰因子和核寬系數，以獲得優化后的懲罰因子和優化后的核寬系數，基于所述優化后的懲罰因子和所述優化后的核寬系數構建核極限學習機的基本分類模型，利用旋轉森林算法對所述訓練集進行處理以獲得新的訓練集，并通過每一個所述分類器對所述新的訓練集進行分類，根據每一個所述分類器的分類結果和多數投票策略獲得最終的分類結果。本發明根據多個分類器之間的差異性和訓練數據的多樣性，提出一種新的集成分類策略，可以提高分類的精度，具有較強的易用性和實用性。

技術領域

本發明涉及人工智能與模式識別技術領域，尤其涉及一種基于核極限學習機分類的方法、裝置、系統及計算機可讀存儲介質。

背景技術

分類一直都是人工智能與模式識別技術領域研究的重要方向，具有廣泛的應用。

然而，目前應用較為廣泛的集成分類方法，例如：Bagging、Random及Boosting，都沒有充分利用多個分類器之間的差異性和訓練數據的多樣性，實際得到分類的精度并不高。

發明內容

鑒于此，本發明實施例提供了一種基于核極限學習機分類的方法、裝置及系統，通過采用一種新的集成分類策略，可以提高分類的精度。

本發明實施例的第一方面提供了基于核極限學習機分類的方法，所述方法包括：

獲取包含樣本屬性特征的訓練集；

基于所述訓練集，利用花朵授粉算法優化核極限學習機的懲罰因子和核寬系數，以獲得優化后的懲罰因子和優化后的核寬系數，其中，所述優化后的懲罰因子用于控制噪聲樣本帶來的損失程度，所述優化后的核寬系數用于控制單個樣本數據對整個分類結果的影響程度；

基于所述優化后的懲罰因子和所述優化后的核寬系數構建核極限學習機的基本分類模型，其中，所述基本分類模型包含兩個以上的分類器；

利用旋轉森林算法對所述訓練集進行處理以獲得新的訓練集，并通過每一個所述分類器對所述新的訓練集進行分類；

根據每一個所述分類器的分類結果和多數投票策略獲得最終的分類結果。

本發明實施例的第二方面提供了一種基于核極限學習機分類的裝置，所述裝置包括：

獲取模塊，用于獲取包含樣本屬性特征的訓練集；

優化模塊，用于基于所述訓練集，利用花朵授粉算法優化核極限學習機的懲罰因子和核寬系數，以獲得優化后的懲罰因子和優化后的核寬系數，其中，所述優化后的懲罰因子用于控制噪聲樣本帶來的損失程度，所述優化后的核寬系數用于控制單個樣本數據對整個分類結果的影響程度；

創建模塊，用于基于所述優化后的懲罰因子和所述優化后的核寬系數構建核極限學習機的基本分類模型，其中，所述基本分類模型包含兩個以上的分類器；

分類模塊，用于利用旋轉森林算法對所述訓練集進行處理以獲得新的訓練集，并通過每一個所述分類器對所述新的訓練集進行分類；

集成模塊，用于根據每一個所述分類器的分類結果和多數投票策略獲得最終的分類結果。

本發明實施例的第三方面提供了一種基于核極限學習機分類的系統，包括：包括存儲器，處理器及存儲在存儲器上并可在處理器上運行的計算機程序，上述處理器執行上述計算機程序時實現上述第一方面提及的方法。

本發明實施例的第四方面提供了一種計算機可讀存儲介質，包括：該計算機可讀存儲介質上存儲有計算機程序，上述計算機程序被處理器執行時實現上述第一方面提及的方法。